Промпты для MiniMax H3: структура, примеры и реальные ролики

У промпта H3 три поля: integrated_multimodal_description — картинка и планы с таймкодами, overall_soundscape — атмосфера и non_diegetic_music — музыка, которую слышит только зритель. Ставьте At 00:05.000, the camera cuts to … перед каждым следующим планом, помечайте говорящих как (S1) и (S2) и оборачивайте каждую реплику в <d>[English] …</d>. Мы запустили семь промптов 28 октября 2026 года, и каждая запрошенная склейка пришла с точностью до четверти секунды.

Структура промпта MiniMax H3

В карточке модели MiniMax сказано, что H3-Base принимает структурированный блок и что его шаг переписывания H3-Context-IR "critical to the quality of the final output". MiniMax нигде не делает структуру обязательной, и в её собственных примерах тоже встречаются простые фразы.

• Первая строка (только изображение в видео и первый и последний кадр): фраза с названиями кадров и их таймкодами, затем пустая строка; первая строка промпта.

• integrated_multimodal_description: планы с таймкодами, действиями, камерой, говорящими и диалогом; первое из трёх основных полей.

• overall_soundscape: звуки атмосферы, действия и неречевые, 1–4 предложения на английском; N/A только когда нужна полная тишина.

• non_diegetic_music: музыка, которую слышит только зритель, 1–3 предложения на английском; N/A когда такой музыки нет.

• При изображении в видео первая строка — фиксированная фраза с названием кадра, за ней пустая строка.

• Каждый следующий план начинается с таймкода, например At 00:05.000, the camera cuts to ….

• Первый говорящий — (S1), и каждая реплика лежит внутри <d>[English] …</d>.

• Видимые вывески и надписи берите в английские двойные кавычки.

• Дайте 1–4 предложения на английском в overall_soundscape и 1–3 в non_diegetic_music. Пишите N/A только когда нужна полная тишина, и назовите стилевой ярлык в первом плане, например "Live-action, cinematic".

Как мы делали ролики

• Мы запускали minimax-h3 в 768P через OmniaKey 28 октября 2026 года. Ролики текст-в-видео идут в 16:9, ролики изображение-в-видео берут формат первого кадра.
• Первые кадры сделаны в GPT Image 2 в 1536×1024, качество medium. Последний кадр ролика с тюльпаном — доработка первого.
• Каждый ролик рендерился 30–50 секунд. Когда мы отправили пять задач сразу, одну ограничили по частоте; отдельно она прошла.
• Мы смотрели кадры на фиксированных секундах, измеряли, куда попала каждая склейка, сколько длится файл и какая у него громкость, и отдавали речь на расшифровку двум аудиомоделям.
• OmniaKey продаёт доступ к API MiniMax H3, поэтому ролики шли через него. Цены ниже — публичные цены MiniMax, а не наши.
• Источники: руководства MiniMax по промптам base и ref, проверены 28 октября 2026 года, и её страница цен, проверена 26 октября 2026 года.

Один ролик на промпт, так что каждый результат — единственный образец.

Семь промптов и настоящие ролики

1. Простая фраза и структурированная версия одной и той же пекарни

Одна и та же сцена в пекарне, записанная двумя способами, показывает, что добавляют три поля.

Простая фраза:

A baker opens the shutters of his small street bakery before sunrise, puts a fresh loaf on the wooden counter and says "First batch of the morning." Then a close-up of steam rising from the sliced bread.

Перевод: пекарь открывает ставни маленькой пекарни до рассвета, кладёт свежий хлеб на деревянную стойку и говорит "First batch of the morning.", затем крупный план пара над нарезанным хлебом.

Структурированные поля:

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium-wide shot frames a baker opening the shutters of a small street bakery before sunrise. The camera pushes in with small amplitude at slow speed as the middle-aged baker with a calm, slightly raspy voice (S1) places a fresh loaf on the wooden counter and says: <d>[English] First batch of the morning.</d> [Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread while the baker's final words carry over from the previous shot.

overall_soundscape: Wooden shutters scrape open over a quiet street as trays clink softly inside the bakery. The doorbell rings once, followed by light footsteps and the crisp sound of bread being sliced.

non_diegetic_music: A soft acoustic-guitar pattern at a moderate tempo, joined by sparse upright-bass notes and a gentle fade at the end.

Перевод: та же сцена, разложенная на первый план с действием и репликой, склейку на 5.00 секунды, звуковую атмосферу и музыку.

Настройки: text_to_video, 768P, 16:9, по 8 секунд.

Результат: структурированная версия склеилась вовремя, простая — нет, и звук у неё тише.

• Структурированный ролик склеился на 5.00 секунды — там, где просит промпт. Простой склеился на 6.54 секунды, где никакого времени не задано.
• У простого промпта нет полей звука. Его дорожка в среднем −43.4 dB против −18.7 dB у структурированного ролика.
• Две аудиомодели разошлись по простому ролику, и одна услышала слова, которых в промпте нет, поэтому мы не приводим реплики из этого ролика.

Что изменить:

• Попробуйте задать таймкод для каждой нужной склейки, даже в простом промпте.
• Попробуйте брать текст вывесок, который должен читаться, в английские двойные кавычки. В обоих роликах пекарни вывески были без кавычек, и они вышли буквами, а не словами.

2. Три плана с таймкодами, склейки на 3.5 и 7 секундах

Второй ролик набора — проверка многоплановости: три плана в ролике на 10 секунд, каждая склейка записана таймкодом.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot frames a small fishing harbor at dawn, where an old fisherman in a yellow raincoat coils a wet rope on a wooden pier. The camera pushes in with small amplitude at slow speed. [Shot 2] At 00:03.500, the camera cuts to a close-up of his weathered hands tying the rope to an iron cleat. [Shot 3] At 00:07.000, the shot cuts to a low-angle shot as three seagulls lift off the pier railing and the fisherman looks up, shading his eyes with one hand.

overall_soundscape: Small waves lap against the wooden posts while the rope creaks as it tightens. Seagulls cry overhead and their wings flap as they take off.

non_diegetic_music: N/A

Перевод: общий план маленькой рыбацкой гавани на рассвете, склейка на 3.50 секунды на руки рыбака, который крепит трос к железному кнехту, и ещё одна на 7.00 секунды, когда три чайки взлетают.

Настройки: text_to_video, 768P, 16:9, 10 секунд; non_diegetic_music в N/A.

Результат: первая склейка пришла вовремя, вторая на 0.25 секунды позже, и файл длится 10.13 секунды.

• Склейка на 3.50 секунды совпадает с промптом. Склейка на 7.25 секунды не совпадает с запрошенными 7.00.
• План с кнехтом уже на экране на 5.0 секунды, а чайки взлетают около 8.5 секунды.
• Дорожка в среднем −39.4 dB, и ни одна из двух аудиомоделей не услышала речи.

Что изменить:

• Если вторая склейка нужна на 7.00 секунды, попробуйте закончить второй план на четверть секунды раньше.

3. Двое говорящих в одной сцене

В четвёртом ролике набора двое говорящих, у каждого по реплике. Kling 3.0 записывает диалог иначе, поэтому для этого формата смотрите руководство по промптам Kling 3.0.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium shot frames a tiny ramen counter at night under a red neon sign reading "OPEN UNTIL 2 AM". The cook, a middle-aged man with a deep, warm voice (S1), sets a steaming bowl in front of a young woman in a green jacket and says: <d>[English] One more bowl?</d> [Shot 2] At 00:04.000, the camera cuts to a close-up of the young woman with a bright, quick voice (S2), who lifts her chopsticks and says: <d>[English] Make it extra spicy.</d>

overall_soundscape: Broth simmers in a large pot and a ladle clinks against the rim. Light rain patters on the awning outside.

non_diegetic_music: N/A

Перевод: в крошечной раменной стойке под красной неоновой вывеской повар ставит дымящуюся миску перед молодой женщиной и спрашивает "One more bowl?"; на 4.00 секунды она поднимает палочки и отвечает "Make it extra spicy.".

Настройки: text_to_video, 768P, 16:9, 8 секунд; non_diegetic_music в N/A.

Результат: вывеска прочиталась верно и обе реплики прошли, но склейка пришла на 0.08 секунды раньше.

• Обе аудиомодели расшифровали "One more bowl. Make it extra spicy." слово в слово.
• Повар подаёт миску в первом плане, а склейка на женщину приходит на 3.92 секунды.
• На двух проверенных кадрах первого плана вывеска читается как OPEN UNTIL 2 AM.

Что изменить:

• Попробуйте взять в кавычки все вывески, которые должны читаться, а не одну. Единственная вывеска в кавычках в этом ролике вышла правильно.

4. Изображение в видео: первый кадр задаёт облик

Пятый ролик начинается с неподвижной картинки, которую мы сделали в GPT Image 2 в 1536×1024: женщина за гончарным кругом в мастерской со светом из окна. Для картинок начинайте с руководства по промптам GPT Image 2.

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, the woman shown in <Picture 1> stays seated at the pottery wheel, preserving her short black hair, denim apron, the grey clay and the studio shelves behind her. The wheel starts to spin and she presses her thumbs into the clay, opening it and drawing the walls upward into a tall cylinder. The camera pushes in with small amplitude at slow speed toward her hands. She looks up and smiles, and the woman with a calm, low voice (S1) says: <d>[English] Almost there.</d>

overall_soundscape: The wheel motor hums steadily and wet clay squelches under her fingers. Water drips softly into the splash pan.

non_diegetic_music: N/A

Перевод: женщина с картинки остаётся за кругом, круг раскручивается, она раскрывает глину и вытягивает её в высокий цилиндр, затем поднимает глаза, улыбается и говорит "Almost there.".

Настройки: image_to_video, 768P, 6 запрошенных секунд, первый кадр, без соотношения сторон.

Результат: женщина сохранила облик с первого кадра, а глина вытянулась в более высокую форму.

• Волосы, фартук и полки мастерской совпадают с картинкой на каждом проверенном кадре.
• На 2.0 секунды глина — конус, на 4.0 — высокая форма. На 6.4 секунды она улыбается.
• Четыре аудиомодели услышали "Almost there.".
• Файл длится 6.58 секунды, а не 6.

Что изменить:

• Попробуйте закладывать на шестисекундный ролик изображение-в-видео около 6.6 секунды.

5. Первый и последний кадр: тюльпан раскрывается

В седьмом ролике есть первый и последний кадр, оба неподвижные. Первый — закрытый бутон красного тюльпана в стеклянной вазе, последний — его доработка с раскрытым цветком.

How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot 1) aligns with the 6.00-second mark of the target video.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a static shot begins with the closed red tulip bud in the glass vase established by Picture 1. In soft morning light the outer petals loosen and curl outward one by one, the bud widens, and the inner petals part to reveal the yellow center, until the flower settles into the fully open shape, composition and lighting established by Picture 2 at the end of the shot.

overall_soundscape: Quiet room ambience with faint birdsong outside the window.

non_diegetic_music: Sparse piano notes at a slow tempo.

Перевод: статичный план начинается с закрытого бутона из Picture 1, лепестки раскрываются один за другим, пока не покажется жёлтая середина, и заканчивается открытой формой и композицией Picture 2.

Настройки: image_to_video с first_frame и last_frame, 768P, 6 запрошенных секунд.

Результат: бутон раскрылся до последнего кадра, камера не двигалась, ваза не менялась.

• На 3.0 секунды лепестки раскрыты наполовину, на 6.5 — полностью, как на последнем кадре.
• Обе аудиомодели услышали фортепиано соло, и ни одна не услышала речи.
• Файл длится 6.58 секунды, дорожка в среднем −26.0 dB.

Что изменить:

• Для более медленного раскрытия попробуйте ролик подольше. Мы запускали только версию на 6 секунд.

6. Тишина: оба поля звука в N/A

Шестой ролик проверяет, что делает N/A: оба поля звука в N/A, а по снегу идёт лиса.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot frames a red fox walking slowly across fresh snow in a pine forest at first light. The camera tracks the fox at slow speed as it stops, lifts its head and looks toward the camera.

overall_soundscape: N/A

non_diegetic_music: N/A

Перевод: общий план рыжей лисы, которая медленно идёт по свежему снегу в сосновом лесу на рассвете; камера ведёт её, когда она останавливается, поднимает голову и смотрит в камеру. Атмосфера и музыка в N/A.

Настройки: text_to_video, 768P, 16:9, 6 запрошенных секунд; оба поля звука в N/A.

Результат: ролик почти беззвучный, но не беззвучный.

• Дорожка в среднем −57.8 dB с пиком −38.2 dB.
• На таком уровне расшифровки аудиомоделей ненадёжны, поэтому мы не приводим звуки для этого ролика.
• Файл длится 6.58 секунды.

Что изменить:

• Ставьте N/A в overall_soundscape только когда нужна полная тишина, как и говорит руководство.

Частые ошибки и что с ними делать

Эти случаи взяты из наших роликов, а не из руководства. Номера разделов указывают на промпты выше.

Сколько стоит ролик

MiniMax берёт деньги за секунду результата по своим публичным ценам.

Ролик на 10 секунд стоит $0.80 в 768P и $1.30 в 2K по тем же тарифам. Каждое дополнительное входное изображение стоит $0.04, а первые 5 в задаче бесплатны. H3-Context-IR, необязательный вызов переписывания, считается по токенам; в примере его ответа указано 9,090 токенов всего.

Публичные цены MiniMax, проверены 26 октября 2026 года. Цены OmniaKey — на странице модели MiniMax H3, а разбор вызова — в руководстве по API MiniMax H3.

Запустить эти промпты через API

Этот запрос отправляет промпт гавани из раздела 2. Пустые строки промпта превращаются в \n внутри JSON.

curl https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer $OMNIAKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: harbor-shots-001" \
  --data-binary @- <<'JSON'
{
  "model": "minimax-h3",
  "type": "video",
  "operation": "text_to_video",
  "input": {"prompt": "integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot frames a small fishing harbor at dawn, where an old fisherman in a yellow raincoat coils a wet rope on a wooden pier. The camera pushes in with small amplitude at slow speed. [Shot 2] At 00:03.500, the camera cuts to a close-up of his weathered hands tying the rope to an iron cleat. [Shot 3] At 00:07.000, the shot cuts to a low-angle shot as three seagulls lift off the pier railing and the fisherman looks up, shading his eyes with one hand.\n\noverall_soundscape: Small waves lap against the wooden posts while the rope creaks as it tightens. Seagulls cry overhead and their wings flap as they take off.\n\nnon_diegetic_music: N/A"},
  "parameters": {"resolution": "768P", "duration": 10, "aspect_ratio": "16:9"}
}
JSON

1. Ответ приходит 202 с id задачи.
2. Опрашивайте https://api.omniakey.com/v1/media/tasks/{id} с этим id, пока status не станет финальным. Наши ролики шли 30–50 секунд. Повторная отправка того же ключа и того же тела вернёт ту же задачу.
3. Скачайте файл из assets[0].url. Ссылка подписанная и живёт около часа, так что запросите снова, если она истекла.

Для изображения в видео поставьте operation в image_to_video и положите картинку в input.media с type first_frame — как HTTPS-ссылку или data URI. Всё тело запроса ограничено 1 MiB, включая Base64 в строке. Остальное есть на странице модели и в документации к видео-API.

Вопросы и ответы

Обязателен ли в MiniMax H3 структурированный формат?

Нет. MiniMax нигде не делает структуру обязательной, а H3-Context-IR, платный шаг переписывания, превращает простой ввод в структурированный блок. Наш ролик по простой фразе всё равно дал видео, но склейка в нём не была привязана ко времени.

Какой длины может быть промпт для H3?

Ограничение — 7,000 символов на текстовый элемент. Структурированный промпт пекарни выше намного короче.

Можно ли писать промпты для H3 по-китайски?

MiniMax перечисляет 11 языков со стабильной речью, включая китайский, но не публикует список языков для текста промпта. Руководство просит шесть разделов переписывания на английском и оставляет реплики на их языке, а наши промпты были на английском.

Можно ли отключить звук в H3?

MiniMax не описывает настройку беззвучного режима. N/A в обоих полях звука дал в нашем тесте почти беззвучный ролик, а руководство разрешает N/A в overall_soundscape только когда нужна полная тишина.

Почему вывеска вышла нечитаемой?

Вывески, которые промпт не взял в кавычки, вышли у нас нечитаемыми буквами. Руководство просит брать видимый текст вывесок в английские двойные кавычки, и единственная вывеска в кавычках, которую мы запускали, прочиталась верно.

История обновлений

• 28 октября 2026 года: первая версия, семь промптов запущены в тот же день.